在人工智能驱动的快速MRI中改善患者特异性异常的重建,使用个性化调整的扩散模型
Jinsoo Uh1, Jirapat Likitlersuang1, Alex Dresner2
1Department of Radiation Oncology, St. Jude Children's Research Hospital, Memphis, Tennessee, USA.
Medical physics
|July 15, 2025
概括
这项研究引入了一个AI模型,通过使用患者特定数据来改进放射治疗规划的快速MRI. 增强的AI准确地重建图像,特别是在瘤和手术区域周围,有助于治疗定义.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 目前人工智能驱动的快速MRI正在努力重建患者特定的解剖异常,这对于放射治疗计划至关重要.
- 现有的方法依赖于基于人口的数据,这些数据可能无法捕捉到个体变异,如瘤或手术缺陷.
研究的目的:
- 通过改进个性化解剖异常的重建,增强基于深度学习的MRI用于放射治疗规划.
- 通过将先前获得的患者特异性MRI数据作为在无声扩散模型中的额外先验数据集成来实现这一目标.
主要方法:
- 开发了一种新的无噪声扩散模型,该模型适应预训练的神经网络.
- 该网络被调整为优先考虑与患者特定的先前MRI相似性,然后更新为k空间数据的一致性.
- 在73名接受放射治疗的儿童和年轻成人脑瘤患者的T1加权MRI上进行评估.
主要成果:
- 拟议的模型结合了患者特定的先验,在准确性方面明显超过了以前的适应性扩散模型 (SSIM,PSNR).
- 在重建瘤和外科手术缺陷方面,准确度的提高最为显著.
- 与其他方法相比,该模型在总瘤体积 (GTV) 中实现了更高的峰值信号噪声比率 (PSNR).
结论:
- 整合患者特定的MRI先验可大大提高基于AI的快速MRI用于放射治疗计划的准确性.
- 改进的准确性,特别是在有解剖学异常的区域,有助于精确的目标定义.
- 这种模型对于加速放射治疗的MRI模拟和治疗期间重复成像非常有价值.
